論文の概要: Adversarially Robust Signed Graph Contrastive Learning from Balance Augmentation

• arxiv url: http://arxiv.org/abs/2401.10590v1
• Date: Fri, 19 Jan 2024 10:02:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 16:20:48.624398
• Title: Adversarially Robust Signed Graph Contrastive Learning from Balance Augmentation
• Title（参考訳）: バランス強化による逆ロバスト符号付きグラフコントラスト学習
• Authors: Jialong Zhou, Xing Ai, Yuni Lai, Kai Zhou
• Abstract要約: 符号付きグラフはエッジとサインで構成され、それぞれ構造情報とバランス関連情報に分けられる。 既存のグラフニューラルネットワーク(SGNN)は通常、埋め込みを生成するためにバランス関連の情報に依存する。 我々は、Ba balance Augmented-Signed Graph Contrastive Learning (BA-SGCL)と呼ばれる堅牢なSGNNフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.393284252961164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signed graphs consist of edges and signs, which can be separated into structural information and balance-related information, respectively. Existing signed graph neural networks (SGNNs) typically rely on balance-related information to generate embeddings. Nevertheless, the emergence of recent adversarial attacks has had a detrimental impact on the balance-related information. Similar to how structure learning can restore unsigned graphs, balance learning can be applied to signed graphs by improving the balance degree of the poisoned graph. However, this approach encounters the challenge "Irreversibility of Balance-related Information" - while the balance degree improves, the restored edges may not be the ones originally affected by attacks, resulting in poor defense effectiveness. To address this challenge, we propose a robust SGNN framework called Balance Augmented-Signed Graph Contrastive Learning (BA-SGCL), which combines Graph Contrastive Learning principles with balance augmentation techniques. Experimental results demonstrate that BA-SGCL not only enhances robustness against existing adversarial attacks but also achieves superior performance on link sign prediction task across various datasets.
• Abstract（参考訳）: 符号付きグラフはエッジとサインで構成されており、それぞれ構造情報とバランス関連情報に分けられる。 既存のグラフニューラルネットワーク(SGNN)は通常、埋め込みを生成するためにバランス関連の情報に依存する。 しかし、近年の敵対的攻撃の出現は、バランス関連の情報に有害な影響を及ぼした。 構造学習が無符号グラフを復元する方法と同様に、有毒グラフのバランス度を改善することにより、符号付きグラフにバランス学習を適用することができる。 しかし、このアプローチは「バランス関連情報の非可逆性」という課題に遭遇する - バランス度が向上する一方で、元の攻撃の影響を受けるエッジは復元されていない可能性があり、防御効果が低下する。 この課題に対処するために、グラフコントラスト学習の原則とバランス強化技術を組み合わせたバランス強化グラフコントラスト学習(BA-SGCL)と呼ばれる堅牢なSGNNフレームワークを提案する。 実験結果から,BA-SGCLは既存の敵攻撃に対する堅牢性を向上するだけでなく,各種データセット間のリンクサイン予測タスクの性能も向上することが示された。

関連論文リスト

• Link Polarity Prediction from Sparse and Noisy Labels via Multiscale Social Balance [8.635930195821263]
  署名付きグラフニューラルネットワーク(SGNN)は,最近,署名付きネットワーク上での学習タスクに有効なツールとして注目されている。 これらのタスクの1つは、ネットワーク構造やその他の利用可能な極性から、この情報が欠落しているリンクの極性を予測することである。 本研究では,リンクの極性予測を改善するために,新しい社会バランスの概念を基盤として,半教師付き学習フレームワークを考案する。
  論文  参考訳（メタデータ） (2024-07-22T14:02:28Z)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• Sparse but Strong: Crafting Adversarially Robust Graph Lottery Tickets [3.325501850627077]
  Graph Lottery Tickets(GLT)は、その密度の高いものと比較して、推論レイテンシと計算フットプリントを大幅に削減する。 これらの利点にも拘わらず、敵構造摂動に対するそれらの性能はいまだに完全に検討されている。 本稿では,隣接行列とGNN重みを具現化する,逆向きに頑健なグラフスペーシフィケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-11T17:52:46Z)
• HC-Ref: Hierarchical Constrained Refinement for Robust Adversarial Training of GNNs [7.635985143883581]
  コンピュータビジョンにおける敵の攻撃に対する最も効果的な防御機構の1つとされる敵の訓練は、GNNの堅牢性を高めるという大きな約束を持っている。 本稿では,GNNと下流分類器の対摂動性を高める階層的制約改善フレームワーク(HC-Ref)を提案する。
  論文  参考訳（メタデータ） (2023-12-08T07:32:56Z)
• Black-Box Attacks against Signed Graph Analysis via Balance Poisoning [8.680110107377953]
  符号付きグラフニューラルネットワーク(SGNN)は、一般的にそのようなグラフのリンク信号を予測するために使用される。 署名されたグラフのバランス度を下げることを目的としたバランスアタックと呼ばれる新しいブラックボックスアタックを提案する。 我々の研究は、SGNNに対する攻撃に直面した場合のロバストモデルの限界とレジリエンスの理解に寄与する。
  論文  参考訳（メタデータ） (2023-09-05T17:09:38Z)
• Everything Perturbed All at Once: Enabling Differentiable Graph Attacks [61.61327182050706]
  グラフニューラルネットワーク(GNN)は敵の攻撃に弱いことが示されている。 本稿では,DGA(Dariable Graph Attack)と呼ばれる新しい攻撃手法を提案し,効果的な攻撃を効率的に生成する。 最先端と比較して、DGAは6倍のトレーニング時間と11倍のGPUメモリフットプリントでほぼ同等の攻撃性能を達成する。
  論文  参考訳（メタデータ） (2023-08-29T20:14:42Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Position-aware Structure Learning for Graph Topology-imbalance by Relieving Under-reaching and Over-squashing [67.83086131278904]
  トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。 PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。 私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
  論文  参考訳（メタデータ） (2022-08-17T14:04:21Z)
• GCN-Based Linkage Prediction for Face Clustering on Imbalanced Datasets: An Empirical Study [5.416933126354173]
  本稿では,不均衡ラベルを緩和する新しい手法と,逆不均衡重み付きサンプリング戦略を用いてグラフ表現を拡大する手法を提案する。 コードと一連の不均衡なベンチマークデータセットはhttps://github.com/espectre/GCNs_on_im Balanced_datasetsで公開されている。
  論文  参考訳（メタデータ） (2021-07-06T08:45:26Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。